KI-Agenten im Nachhaltigkeitsreporting: Chancen, Grenzen & Praxis

ESG-Reporting ist für viele Unternehmen ein ressourcenintensiver Prozess: Daten werden aus dutzenden Quellen manuell zusammengeführt, Berichte in langen Abstimmungsschleifen verfasst, Lieferantenfragebögen einzeln ausgewertet und regulatorische Anforderungen mühsam in interne Prozesse übersetzt. Studien zeigen, dass mittelgroße Unternehmen für die CSRD-Vorbereitung initial 500 bis 2.000 Stunden interner Ressourcen einplanen müssen.

Genau hier setzen KI-Agenten an. Als KI-Agenten bezeichnen wir KI-Systeme, die nicht nur einmalige Anfragen beantworten, sondern mehrstufige Aufgaben selbstständig planen und ausführen, durch Kombination von Large Language Models (LLMs) mit Tools, Datenquellen und Automatisierungspipelines.

Das Potenzial ist erheblich: Ein gut konfigurierter KI-Agent kann Lieferantenfragebögen automatisch auswerten, aus ERP-Systemdaten Treibhausgasberechnungen anstoßen, regulatorische Änderungen monitoring und zusammenfassen sowie erste Entwürfe für ESRS-Disclosures auf Basis strukturierter Unternehmensdaten erstellen. Was früher Wochen dauerte, kann so auf Tage oder Stunden reduziert werden.

Large Language Models entfalten im ESG-Reporting-Kontext vier besonders wertvolle Fähigkeiten:

Erstens das Verstehen und Übersetzen regulatorischer Texte: CSRD, ESRS, Omnibus-Pakete: neue Regulierungen erscheinen in dichter Kadenz. LLMs können Änderungen automatisch zusammenfassen, auf Unternehmensrelevanz prüfen und in handlungsorientierte Aufgabenlisten übersetzen.

Zweitens die Strukturierung unstrukturierter Daten: Lieferantenantworten, E-Mail-Kommunikation, PDF-Berichte, LLMs extrahieren relevante ESG-Kennzahlen und überführen sie in strukturierte Datensätze. Das spart erheblichen manuellen Aufwand bei der Datenerfassung.

Drittens die Erstellung und Qualitätssicherung von Berichtstexten: Auf Basis strukturierter Datensätze können LLMs ESRS-konforme Disclosure-Texte in einem ersten Entwurf erstellen, die dann von Experten überarbeitet und freigegeben werden. Konsistenzprüfungen, stimmen Zahlen und Text überein? Sind alle Pflichtangaben vorhanden? Lassen sich automatisieren.

Viertens das Monitoring und die Alerting-Funktion: KI-Agenten können regulatorische Datenbanken, Nachrichtenquellen und Unternehmensberichte von Wettbewerbern kontinuierlich beobachten und bei relevanten Änderungen aktiv informieren.

Der aufwändigste Teil des ESG-Reportings ist nicht das Schreiben des Berichts, sondern die Datenerfassung. Hier liegen die größten Automatisierungspotenziale.

Energie- und Emissionsdaten: Durch direkte Schnittstellen zu Energiemanagementsystemen, Smart-Meter-Daten und Facility-Management-Software können Scope-1- und Scope-2-Daten automatisiert erfasst und in Treibhausgasbilanzen überführt werden. Tools wie Watershed, Persefoni oder selbstentwickelte Python-Pipelines erledigen das Handling der Emissionsfaktoren automatisch.

Lieferantendaten: KI-gestützte Plattformen können eingehende Lieferantenfragebögen automatisch klassifizieren, auswerten und in strukturierte Datensätze transformieren. Sprachliche Abweichungen und unterschiedliche Einheiten werden erkannt und normalisiert.

Finanzdaten für Scope-3-Berechnung: Über ERP-Integrationen (SAP, Oracle, Microsoft Dynamics) können Einkaufsdaten automatisch für Spend-basierte Scope-3-Schätzungen aufbereitet werden. Der manuelle Export und Import von Excel-Dateien entfällt.

HR- und Sozialdaten: Personalmanagement-Systeme liefern automatisch Kennzahlen zu Fluktuation, Weiterbildungsstunden, Lohngleichheit und Diversität, sofern die Datenstruktur entsprechend vorbereitet ist. Hier liegt für viele Unternehmen noch erhebliches Automatisierungspotenzial.

Folgende Use Cases haben sich in der Praxis bereits als tragfähig erwiesen:

Use Case 1: Automatisierter ESRS-Gap-Check: Ein LLM-Agent analysiert den aktuellen Nachhaltigkeitsbericht eines Unternehmens und vergleicht ihn systematisch mit den Anforderungen der ESRS. Ergebnis: eine priorisierte Liste von Datenlücken und fehlenden Disclosures. Was früher 2 bis 3 Beratertage benötigte, gelingt in Stunden.

Use Case 2: Lieferanten-Screening: Beim Onboarding neuer Lieferanten analysiert ein KI-Agent öffentlich verfügbare Informationen (Unternehmenswebsite, Nachhaltigkeitsberichte, Nachrichtenartikel) und erstellt ein erstes ESG-Risikoprofil. Das beschleunigt den Due-Diligence-Prozess erheblich.

Use Case 3: Automatisierte Energiedaten-Pipeline: Ein österreichisches Produktionsunternehmen hat seine Energiedaten direkt mit einer Scope-1/2-Berechnungsengine verbunden. Monatliche Emissionsberichte erstellt das System vollautomatisch, Abweichungen vom Budget werden per Alert kommuniziert.

Use Case 4: CSRD-Regulierungsmonitoring: Ein Agent überwacht wöchentlich EFRAG-Veröffentlichungen, EU-Amtsblatt-Einträge und relevante Nachrichtenquellen und erstellt automatisch strukturierte Zusammenfassungen für das ESG-Team. Keine regulatorische Änderung geht mehr unter.

KI im ESG-Reporting hat klare Grenzen, die ernst genommen werden müssen:

Halluzinationen: LLMs können Zahlen, Quellen und regulatorische Anforderungen falsch ausgeben, mit großer Selbstsicherheit. Im Kontext der CSRD-Berichterstattung, die von Wirtschaftsprüfern geprüft wird, kann das fatale Folgen haben. Jede KI-generierte Aussage muss von menschlichen Experten verifiziert werden.

Datensicherheit und Vertraulichkeit: ESG-Berichte enthalten oft sensitive Unternehmensinformationen. Der Einsatz von Cloud-basierten LLM-APIs erfordert klare Datenschutzvereinbarungen und die Prüfung, ob Unternehmensdaten für das Training verwendet werden.

Mangelnde Kontextsensitivität: KI kennt den spezifischen Unternehmenskontext nicht von allein. Wesentlichkeitsanalysen, strategische Zielsetzungen und Stakeholder-Anforderungen müssen sorgfältig als Kontext bereitgestellt werden, sonst entstehen generische statt relevante Outputs.

Regulatorische Verantwortlichkeit: Die Verantwortung für den Nachhaltigkeitsbericht liegt weiterhin beim Management des Unternehmens. KI entbindet nicht von dieser Verantwortung. Wirtschaftsprüfer prüfen den Bericht und seine Datenbasis, nicht die KI.

Qualität der Eingangsdaten: 'Garbage in, garbage out' gilt auch für KI. Schlechte Datenbasis führt zu schlechten KI-Outputs. Die Investition in saubere Datenstrukturen ist Voraussetzung für erfolgreiche Automatisierung.

Der Einsatz von KI im ESG-Reporting muss auch regulatorisch bewertet werden, insbesondere im Hinblick auf den EU AI Act und die CSRD selbst.

Der EU AI Act ist seit August 2024 in Kraft. KI-Systeme, die für regulatorisches Reporting eingesetzt werden, fallen je nach Risikoklasse unter unterschiedliche Anforderungen. Systeme, die autonome Entscheidungen im Kontext von Compliance-Berichten treffen, könnten als Hochrisiko-KI eingestuft werden, mit entsprechenden Transparenz- und Dokumentationspflichten.

Die CSRD selbst macht keine direkten Vorgaben zum Einsatz von KI, verlangt aber Transparenz über Datenquellen, Berechnungsmethoden und Schätzverfahren. Wenn KI-Systeme für die Datengenerierung oder Berichterstellung eingesetzt werden, sollte das im Methodenteil des Berichts offengelegt werden.

Für die Prüfung durch Wirtschaftsprüfer gilt: KI-generierte Daten müssen rückverfolgbar, dokumentiert und verifizierbar sein. Eine 'Black Box', die Zahlen produziert, ist für Prüfungszwecke unbrauchbar. Transparenz und Auditierbarkeit sind nicht-verhandelbare Anforderungen an jeden KI-Einsatz im ESG-Reporting.

Die Entwicklung der KI-Technologie und des ESG-Regulierungsumfelds werden sich gegenseitig beschleunigen. Folgende Trends zeichnen sich ab:

Agentic Workflows: Statt einzelner KI-Assistenten werden Netzwerke von KI-Agenten kommen, die arbeitsteilig am ESG-Reporting arbeiten, ein Agent für Energiedaten, einer für Lieferkette, einer für regulatorisches Monitoring, koordiniert durch einen übergeordneten Agenten.

Standardisierte ESG-Datenschnittstellen: EU-Initiativen wie der European Single Access Point (ESAP) und das European Sustainability Reporting Format (ESEF) für Nachhaltigkeitsberichte schaffen standardisierte maschinenlesbare Datenformate. Das wird KI-basierte Analysen und Benchmarking erheblich vereinfachen.

PCF-Automatisierung: Die Berechnung von Product Carbon Footprints wird durch KI-gestützte Lebenszyklusanalyse-Tools deutlich zugänglicher. Kleine und mittlere Unternehmen werden PCF-Berechnungen durchführen können, die heute noch großen Konzernen mit spezialisierten Teams vorbehalten sind.

Real-Time-Reporting: Mittelfristig werden ESG-Daten nicht mehr jährlich, sondern kontinuierlich erfasst und berichtet, ähnlich wie Finanzkennzahlen heute im Controlling. KI ist die Schlüsseltechnologie, die diesen Paradigmenwechsel möglich macht.

KI-Agenten werden das ESG-Reporting fundamental verändern, nicht indem sie es vollständig automatisieren, sondern indem sie die manuellen, repetitiven Teile übernehmen und menschliche Experten auf das konzentrieren, was wirklich Expertise erfordert: Wesentlichkeitsurteile, strategische Entscheidungen und die Verantwortung für Richtigkeit und Vollständigkeit.

Für Unternehmen, die jetzt einsteigen wollen: Beginnen Sie mit einem klar abgegrenzten Use Case (z. B. Lieferanten-Screening oder Energiedaten-Automatisierung), messen Sie den Nutzen und bauen Sie darauf auf. Setzen Sie auf Transparenz und Auditierbarkeit von Anfang an. Und behandeln Sie KI als Werkzeug, nicht als Lösung, die strategische ESG-Kompetenz muss im Unternehmen bleiben. Sustainista unterstützt bei der Entwicklung KI-gestützter ESG-Daten-Pipelines und der strategischen Einbettung in Ihren Reporting-Prozess.